Robots/parse_html_beautifulsoup.py

   1 """
   2    HTML Parser using BeautifulSoup
   3
   4    Written by BroytMann. Copyright (C) 2007 PhiloSoft Design
   5 """
   6
   7 import re
   8 from sgmllib import SGMLParser, SGMLParseError
   9 from HTMLParser import HTMLParser
  10 from BeautifulSoup import BeautifulSoup, CData
  11
  12
  13 class BSoupParser(HTMLParser):
  14    def __init__(self, charset, meta, title, refresh, icon):
  15       object.__init__(self)
  16       self.charset = charset
  17       self.meta_charset = meta
  18       self.title = title
  19       self.refresh = refresh
  20       self.icon = icon
  21
  22
  23 # http://groups.google.com/group/beautifulsoup/browse_thread/thread/69093cb0d3a3cf63
  24 class BadDeclParser(BeautifulSoup):
  25     def parse_declaration(self, i):
  26          """Treat a bogus SGML declaration as raw data. Treat a CDATA
  27          declaration as a CData object."""
  28          j = None
  29          if self.rawdata[i:i+9] == '<![CDATA[':
  30               k = self.rawdata.find(']]>', i)
  31               if k == -1:
  32                   k = len(self.rawdata)
  33               data = self.rawdata[i+9:k]
  34               j = k+3
  35               self._toStringSubclass(data, CData)
  36          else:
  37              try:
  38                  j = SGMLParser.parse_declaration(self, i)
  39              except SGMLParseError:
  40                  # Could not parse the DOCTYPE declaration
  41                  # Try to just skip the actual declaration
  42                  match = re.search(r'<!DOCTYPE([^>]*?)>', self.rawdata[i:], re.MULTILINE)
  43                  if match:
  44                      toHandle = self.rawdata[i:match.end()]
  45                  else:
  46                      toHandle = self.rawdata[i:]
  47                  self.handle_data(toHandle)
  48                  j = i + len(toHandle)
  49          return j
  50
  51
  52 def parse_html(filename, charset=None):
  53    infile = open(filename, 'r')
  54    try:
  55       root = BadDeclParser(infile, fromEncoding=charset)
  56    except TypeError:
  57       return None
  58    finally:
  59       infile.close()
  60
  61    try:
  62       head = root.html.head
  63    except AttributeError:
  64       return None
  65
  66    if head is None:
  67       head = root.html # Some sites put TITLE in HTML without HEAD
  68
  69    _charset = root.originalEncoding
  70    try:
  71       title = head.title.string.encode(_charset)
  72    except AttributeError:
  73       title = '' # HEAD but no TITLE
  74
  75    if not title:
  76       head = root.html # Some sites put TITLE in HTML outside of HEAD
  77
  78    try:
  79       title = head.title.string.encode(_charset)
  80    except AttributeError:
  81       title = '' # HEAD but no TITLE
  82
  83    meta = head.find(_find_refresh, recursive=False)
  84    if meta:
  85       refresh = meta.get("content")
  86    else:
  87       refresh = None
  88
  89    meta = head.find(_find_icon, recursive=False)
  90    if meta:
  91       icon = meta.get("href")
  92    else:
  93       icon = None
  94
  95    return BSoupParser(_charset, _charset != charset, title, refresh, icon)
  96
  97 def _find_refresh(Tag):
  98    return (Tag.name == "meta") and \
  99       (Tag.get("http-equiv", '').lower() == "refresh")
 100
 101 def _find_icon(Tag):
 102    return (Tag.name == "link") and \
 103       (Tag.get("rel", '').lower() in ('icon', 'shortcut icon'))